ارائه کننده: رومینا مقدم
استاد راهنما: دکتر بابک محمدزاده اصل
استاد ناظر داخلی اول: دکتر زهرا بهمنی دهکردی
استاد ناظر خارجی اول: دکتر مریم محبی (دانشگاه خواجه نصیر)
تاریخ: 1402/12/22
ساعت: 9 تا 10:30
مکان: اتاق شورا گروه عمران دانشکده فنی و مهندسی

چکیده:
اختلال افسردگی اساسی (MDD) یک بیماری شایع روانی است که در فرد احساس غم و اندوه مداوم ایجاد می­کند. این بیماری می‌تواند موجب تغییر در تفکر و سبک زندگی شود و کیفیت زندگی افراد را کاهش دهد. در این مطالعه، یک روش جدید با استفاده از الگوریتم ­های مبتنی بر یادگیری ماشین برای تشخیص خودکار MDD از روی سیگنال‌های الکتروانسفالوگرام (EEG) ارائه شد. در روش پیشنهادی، ویژگی­ های مبتنی بر آنتروپی شامل آنتروپی افزایشی، آنتروپی تشابه کسینوسی، آنتروپی پراکندگی و آنتروپی حبابی با روش سلسله­ مراتبی از پنجره های پیش ­پردازش شده سیگنال EEG استخراج شد. سپس، از الگوریتم انتخاب ویژگیReliefF به منظور کاهش ابعاد فضای ویژگی و همچنین انتخاب بهترین مجموعه از ویژگی­ ها استفاده شد. درنهایت بهترین مجموعه ویژگی انتخاب شده به ورودی طبقه ­بندهای مختلف نظیر -Kنزدیک­ترین همسایگی(K-NN)، ماشین ­بردار­ پشتیبان (SVM) و GentleBoost   اعمال شد. عملکرد روش پیشنهادی با استفاده از یک مجموعه داده شامل سیگنال­های EEG ثبت شده از30 بیمار مبتلا به MDD و 28 فرد سالم و همچنین روش اعتبارسنجی متقابل10 فولد مورد ارزیابی قرار گرفت. نتایج نشان داد که طبقه ­بندGentleBoost  با فراهم­کردن میانگین صحت 18/0± 47/ 99 درصد، میانگین حساسیت 17/0± 63/99 درصد، میانگین اختصاصیت 31/0± 31/99 درصد و میانگین امتیازf1- 18/0 ± 48/99 درصد بهترین عملکرد را در جداسازی افراد مبتلا به MDD از افراد سالم ارائه می­کند. نتایج تجربی نشان داد چارچوب پیشنهادی می­تواند در تشخیص بالینی MDD به عنوان ابزار کمکی مورد استفاده پزشکان قرار بگیرد.